2020年12月远程视频电话会议公开课

围绕我的四本畅销书,我设计了三门精品课程,12月份(第301期到303期培训)正在报名,每门课程是两个半天,9:00-12:00。

供应链与供应商管理:一个实践者的角度12月12日(周六),12月13日(周日)

需求预测+需求管理:供应链的第一道防线12月17日(周四),12月18日(周五)

库存计划+库存控制:供应链的第二道防线12月19日(周六),12月20日(周日)

报名详情咨询,请联系我的助手吴珍桢 :180 6504 7859(手机|微信)。

预测模型的选择的一些考量

| 暂无评论

预测模型的选择是个复杂过程,需要考虑多方面的因素,再配以职业判断。计划软件往往按照特定的指标判断预测模型的优劣,但很难综合考虑多种因素,特别是历史数据没有反映的信息。这就是对计划软件建议的模型,有经验的计划人员总是戒心重重的原因了。

在选择合适的预测模型时,我们首先要看预测准确度。前面说过,常用的准确度指标有两个:绝对误差百分比、均方差。前者的好处是直观,但有可能误导;后者的好处是更能够避免极端误差,但不直观。

我还看到,有人用预测"成功率"来评判模型的好坏。比如准确度目标是70%或更高,选100个样本,用预测方法A,有60个样本达到70%以上的准确度;用方法B,只有55个,所以就得出A优于B的结论。这看上去有道理,但如果A没有预测"准"的产品中,误差极端大的案例很多;而B没有预测"准"的产品中,误差都相对挺小,怎么办?

我们当然希望更多的产品能够预测更准;但害死我们的是那些预测极端不准的,这在上面评判方法中没有覆盖到。打个不恰当的比喻,这有点像木桶理论,每个桶板当然是越长越好,但真正害死我们的是那些最短的板。

所以,围绕多个产品选择一种更优的预测方法时,我们也要观察那些预测误差极大的产品,通常有3种方法来应对。

方法1是把所有产品的预测误差加起来,看哪种预测方法的整体准确度最低。

方法2是采取两种互补的预测方法,比如方法A的优势是预测需求变动大的产品,方法B的优势是预测变动较小的产品,每个产品根据自身的特点,在A和B中选择一种方法,以尽量避免出现大错特错。我们后面要讲的预测方法择优,就是基于这样的思路。

方法3是用多种方法预测,求其平均值作为最终的预测。我看到学者们在说,这样做可以提高预测的准确度。这有点集思广益的意思,跟"三个臭皮匠,能顶一个诸葛亮"一样。针对具体的案例,我们可以通过复盘的方式,来验证究其效果。

对预测来说,我们与其说是在追求"更准",不如说是在避免"更不准":我们要尽量避免极端错误。这就如长寿和早死的关系:我们虽说都在追求长寿,其实更多是在力求避免早死。长寿充满偶然性,但早死却有相当的必然性[1];你很难对偶然做点什么,你是通过控制必然来应对偶然,那就是避免早死,才会长寿。

或许这也能够解释,至少是部分解释,为什么人们不愿接受人工智能(AI)和计划软件的建议:凡是我见过的AI和计划软件,整体的预测准确度都要比计划人员更高;但是,由于这些信息系统不知道它们不知道的东西,比如促销、活动等需求历史没法完整体现的信息,往往会出现大错特错,计划人员一眼就可以看出。在精益求精的优化上,计划人员虽然斗不过软件;但在避免大错特错上,他们却往往做得更到位,或者至少觉得他们做得更好。出于避免"更不准"的心理,人们却不敢用,或者不愿用AI和软件系统做预测,也就不难理解了。

预测方法的择优,要尽量考虑对供应链执行的影响,在预测准确度差不多的前提下,预测要尽可能平滑,以减小供应链的执行难度,降低供应链的运营成本。

最后,预测模型的选择还要考虑实施的难易度。人们难以理解的模型,就不信任;不信任,就很难推广。就整体预测效果而言,简单的模型往往比复杂的更理想,很大程度上是因为简单的模型更容易落地。这就相当于给你个100%功能的武器,你能实现30%;还是70%功能的武器,你能实现50%一样。

真正的计划高手,高就高在用最基本的模型,比如移动平均和指数平滑法,解决实践中的大多数问题。这就如真正的武林高手不会花拳绣腿,拖泥带水,而是用最简单、最直观的招数克敌制胜一样。所以,如果有些人一张口,就搬出一些你没听过的复杂方法,他八成是在以主题博大,以掩盖在基本方法论上的贫瘠。

【小贴士】寻找更优,而不是最优的解决方案

有个千亿级的大公司,开设了专门的事业部,雇了一帮博士、硕士开发计划模型,也给别的企业提供咨询。但他们自己的计划人员呢,我问他们是怎么设安全库存的。计划员们说,对于A类物料,他们放x天的安全库存;对于B类物料,他们放y天的安全库存......你知道,他们还是在拍脑袋,虽然公司很大,名气也很大,做计划的方式跟粗放经营的企业无异。

这后面反映的呢,就是典型的系统和组织两层皮:一边是一帮博士、硕士、数理统计专家们皓首穷经,奔着最优化的目标去,开发了很完善,当然也很复杂的软件系统("完善"在很多时候是复杂的代名词);另一边是一帮计划人员呢,还是我行我素,继续操着土枪土炮讨生活。一方面,这跟博士们懂数理统计,但不懂业务有关,导致软件系统本身不一定实用;另一个方面,信息系统严重超前,超越组织的现有能力两个阶段,也会导致两层皮的问题。

啥叫超越两个阶段?打个比方。一群原始人在赤手空拳与野兽搏杀,你给只棒子,这是超越组织能力一个阶段,他们试试后觉得不错,用的可能性很大;但如果给辆坦克,这是超越现有能力两个阶段,他们根本没有能力操控,当然也就不会用了。

寻找渐进式的改良方案,可有效避免上述问题。

比如某企业对于所有的产品,原来都在用8周移动平均来预测。我们经过复盘分析,发现部分产品用6周移动更准确,其余的用8周移动更准确;或者说整体而言,指数平滑法比移动平均法更准确,那我们就适当地差异化处理,这就是渐进的改良。

再比如说,每个产品在不同的库存点,最优预测方法都可能不同。但为了简单,我们把一个库存点的所有产品作为一个整体,寻找一种或两种方法,让整体胜算更高。我理解,相比每个产品都采用最优预测方法,这样做会丧失一些准确度,但希望换取可操作性,降低预测模型的维护成本,也适当提高模型的容错性。

商业问题的本质是寻求更好,而不是最好的方案。就如NBA里"独行侠"的老板库班所言,商业上追求完美是件糟糕的事,因为有个投入产出比的问题[2]。等组织的能力提升到一定地步后,我们可以逐步导入更完美,也更优化的做法。

【实践者问】我是做供应链系统的,公司让我主导供应链计划改进项目。我怎么做预测部分的需求呢?毕竟信息化的从业人员很少有供应链体系的从业经历,我的问题比较尴尬。

【刘宝红答】这是对你们IT人员的不公平。需求定义首先是计划人员的责任,他们得搞清楚需求预测怎么做,库存计划如何设,哪些地方需要改进,定义好需求后,你们IT团队可以帮助自动化。有趣的是,另一个公司的IT也有同样的问题:他们在公司CFO的驱动下,给供应链设计了一整套的预测、计划模型,整体思路很好,但根本没法落地。反过来想想看,如果让一个计划经理设计一套IT解决方案,其可行性会有多高?

这也反映了有些公司对计划的误解,认为计划就是分析数据,而IT似乎是数据的对口部门。跟任何职能一样,计划的能力要从组织、流程、信息系统三个方面来改进,IT可以改进信息系统,但信息系统要围绕组织的目标和做事的流程来开发,那些都需要计划职能来定义。



[1] 长寿充满偶然性,这就是为什么那老头都活了96岁了,也说不出为什么能长寿:如果他果真知道长寿的秘诀,那他太太为什么30年前就过世了?不过早死却有相当的必然性:如果喝很多的酒,吸很多的烟(偶然喝点吸点OK),在xxx公司上班(压力太大,容易跳楼),你知道这人十有八九会折寿。

[2] Mark Cuban: Why perfection in business is a bad thing,YouTube.com。

2020年12月远程视频电话会议公开课

围绕我的四本畅销书,我设计了三门精品课程,12月份(第301期到303期培训)正在报名,每门课程两个半天,9:00-12:00。


  1. 供应链与供应商管理:一个实践者的角度12月12日(周六),12月13日(周日)
  2. 需求预测+需求管理:供应链的第一道防线12月17日(周四),12月18日(周五)
  3. 库存计划+库存控制:供应链的第二道防线12月19日(周六),12月20日(周日)

更多信息请点击链接,报名详情咨询请联系我的助手吴珍桢:180 6504 7859 (手机\微信),电邮[email protected]

我有微博、微信(scm-blog),也在LinkedIn上,欢迎加我,随时沟通。更多联系信息见此处

欢迎关注我的微信公众号,每天一篇文章:wwwscm-blogcom

请关注我的微信公众号,每天一篇文章:wwwscm-blogcom

评论

畅销专著

  • Supply chain management: high cost, high inventory, heavy asset solutions

畅销经典

  • Purchasing and Supply Chain Management

关于此日记

此日记由 刘宝红 发表于 2020-10-27 18:49October 27, 2020 6:49 PM

此Blog上的上一篇日记季节性带趋势的预测:示例

此Blog上的下一篇日记季节性强,一锤子买卖如何预测?

首页归档页可以看到最新的日记和所有日记。